Treffer: Kanser alt gruplaması için çoklu-omik verilerin evrişimsel otokodlayıcı mimarisi ile entegrasyonu

Kanser, hücrenin kontrolsüz büyümesi ile karakterize kompleks hastalıklar topluluğudur. Normalde, hücrenin büyümesi düzenleyici mekanizmalarla sıkı bir şekilde kontrol edilmektedir. Ancak genomda meydana gelen değişiklikler, bu mekanizmalarda anormalliklere yol açarak kanser oluşumuna neden olabilmekte ve bu değişiklikler kanserden kansere farklılık göstermektedir. Bu sebeple uygun tedavinin belirlenmesinde altta yatan anormalliklerin keşfedilmesi büyük önem taşımaktadır. Bir kanser türüne ait spesifik alt grupların saptanması, kişiselleştirilmiş ve hedef odaklı tedavilerin uygulanabilmesi için önemlidir. Bu tez çalışmasında, kanser alt gruplama problemine bir çözüm sunma amacıyla, çoklu-omik verilerin entegre edilerek gruplamanın yapıldığı bir yöntem geliştirilmiştir. Geliştirilen yöntem, evrişimsel otokodlayıcı ve topluluk kümelemesi modüllerinden oluşmaktadır. Meme kanseri hastalarının mRNA, miRNA, lncRNA, metilasyon ve protein omik verileri evrişimsel otokodlayıcı ile işlenerek öznitelikler çıkarılmış ve hastalar bu özniteliklere göre topluluk kümelemesiyle gruplanmıştır. Bulunan alt gruplar sağ kalım bakımından log-rank test ile karşılaştırılmış ve anlamlı fark bulunmuştur. Geliştirilen yöntem literatürdeki diğer yöntemlerle ARI, NMI ve AMI metrikleri kullanılarak karşılaştırılmış ve yöntemin daha üstün ya da rekabet edebilir bir performans gösterdiği bulunmuştur. Harici veri setleri ile testler gerçekleştirilerek yöntemin genelleştirme yeteneği sınanmıştır. Farklılaşmış gen ifadesi analizi ve MRMR algoritması kullanılarak, bulunan meme kanseri alt gruplarına özgü biyobelirteçler belirlenmiştir. Ayrıca, ablasyon çalışması yapılarak evrişimsel otokodlayıcıdaki evrişim katmanının performansa katkısı araştırılmıştır. Bu çalışmada geliştirilen yöntem ile, çoklu-omik veriyle kanser alt gruplamasına yönelik literatürdeki derin öğrenme yöntemlerine bir yenisi eklenmiştir. Çoklu-omik verilerin entegrasyonunda evrişimsel otokodlayıcı kullanımına yeni bir teknik sunulmuştur.
Cancer is a complex group of diseases characterized by uncontrolled cell growth. Normally, the growth of a cell is tightly controlled by regulatory mechanisms. However, changes in the genome can cause cancer formation by leading to abnormalities in these mechanisms, and these changes differ from cancer to cancer. Therefore, discovering the underlying abnormalities is of great importance in determining the appropriate treatment. Identifying specific subtypes of a cancer type is important to be able to apply personalized and targeted therapies. In this thesis, a method has been developed in which clustering is performed by integrating multi-omics data to provide a solution to the cancer subtyping problem. The developed method consists of convolutional autoencoder and consensus clustering modules. The mRNA, miRNA, lncRNA, methylation and protein omics data of the breast cancer patients were processed with convolutional autoencoder to extract features and the patients were grouped by consensus clustering according to these features. The identified subgroups were compared in terms of survival using the log-rank test, and significant differences were found. The developed method was compared with other methods in the literature using ARI, NMI, and AMI metrics, and it was found that the method showed superior or competitive performance. The generalizability of the method was tested with external datasets. Biomarkers specific to the identified breast cancer subgroups were determined using differential gene expression analysis and the MRMR algorithm. Furthermore, an ablation study was conducted to investigate the contribution of the convolution layer in the convolutional autoencoder to the performance. With the method developed in this study, a new one has been added to the deep learning methods in the literature for cancer subtyping with multi-omics data. A new technique for using convolutional autoencoders in the integration of multi-omics data has been presented.